0:00:00.820,0:00:05.096
Roy Price är en man som de flesta av er[br]förmodligen aldrig hört talas om,

0:00:05.120,0:00:07.616
även om han kan ha varit ansvarig

0:00:07.640,0:00:14.400
för 22 ganska mediokra minuter[br]av ditt liv den 19 april 2013.

0:00:14.400,0:00:17.846
Han kan också ha varit ansvarig[br]för 22 väldigt underhållande minuter,

0:00:17.846,0:00:20.016
men inte för så många av er.

0:00:20.040,0:00:21.680
Och allt beror på ett beslut

0:00:21.680,0:00:24.020
som Roy var tvungen att ta[br]för ungefär tre år sen.

0:00:24.020,0:00:28.816
Ni förstår, Roy Price är en hög chef[br]inom Amazon Studios.

0:00:28.840,0:00:31.856
Det är Amazons produktionsbolag för tv.

0:00:31.880,0:00:35.136
Han är 47 år gammal,[br]smal, med taggigt hår,

0:00:35.160,0:00:39.976
beskriver sig på Twitter[br]som "film, tv, teknik, tacos".

0:00:40.000,0:00:45.176
Roy Price har ett ansvarsfullt jobb,[br]för det är hans ansvar att välja

0:00:45.200,0:00:49.256
vilka serier, vilket originalinnehåll[br]som Amazon ska ta fram.

0:00:49.280,0:00:51.616
Självklart innebär det hög konkurrens.

0:00:51.640,0:00:54.376
Det görs så många tv-serier,

0:00:54.400,0:00:56.576
så Roy kan inte välja[br]vilken serie som helst.

0:00:56.600,0:01:00.696
Han måste hitta[br]en riktigt, riktigt bra serie.

0:01:00.720,0:01:03.536
Med andra ord måste han hitta serier

0:01:03.560,0:01:05.936
som ligger längst ut till höger[br]på den här kurvan.

0:01:05.960,0:01:08.616
Den här kurvan är betygsfördelningen

0:01:08.640,0:01:13.016
för ungefär 2 500 tv-serier[br]i IMDBs databas,

0:01:13.040,0:01:15.936
och betygssnittet[br]kan vara mellan 1 och 10,

0:01:15.960,0:01:18.936
och höjden här visar[br]hur många serier som får det betyget.

0:01:18.960,0:01:23.520
Så om en serie får ett snittbetyg[br]på 9 poäng eller högre är den en vinnare.

0:01:23.520,0:01:25.496
Då har man en serie bland de 2 procenten.

0:01:25.520,0:01:29.416
Det är serier som "Breaking Bad",[br]"Game of Thrones", "The Wire".

0:01:29.440,0:01:31.736
De här serierna är beroendeframkallande,

0:01:31.760,0:01:34.560
så när man har sett en säsong[br]säger ens hjärna liksom,

0:01:34.560,0:01:37.016
"Var kan jag hitta fler[br]sådana här avsnitt?"

0:01:37.040,0:01:38.650
Den sortens serie.

0:01:38.920,0:01:41.416
Till vänster, här borta,[br]för att vara tydlig,

0:01:41.440,0:01:44.616
finns en serie som heter[br]"Toddles and Tiaras" -

0:01:44.640,0:01:47.296
(Skratt)

0:01:47.320,0:01:48.856
- vilket borde säga nog om

0:01:48.880,0:01:51.071
vad som händer på den sidan av kurvan.

0:01:51.465,0:01:55.256
Roy Price är inte orolig för[br]att hamna på den sidan av kurvan,

0:01:55.280,0:01:57.970
för jag tror att man behöver ha[br]en riktigt skarp hjärna

0:01:57.970,0:01:59.996
för att bli sämre[br]än "Toddlers and Tiaras".

0:01:59.996,0:02:03.896
Vad han oroar sig för är klumpen i mitten,

0:02:03.920,0:02:05.736
klumpen av halvbra tv,

0:02:05.760,0:02:08.616
ni vet, sådana där serier[br]som varken är bra eller dåliga,

0:02:08.639,0:02:10.295
som inte gör någon exalterad.

0:02:10.320,0:02:15.110
Så han behöver bli säker på[br]att han verkligen hamnar rätt.

0:02:15.110,0:02:16.826
Det finns ett tryck på att lyckas,

0:02:16.826,0:02:18.976
och det är förstås också första gången

0:02:19.000,0:02:21.176
som Amazon ens gör något sånt här,

0:02:21.200,0:02:24.536
så Roy Price vill inte ta några risker.

0:02:24.560,0:02:27.016
Han vill bygga framgång.

0:02:27.040,0:02:28.816
Han behöver en garanterad succé,

0:02:28.840,0:02:31.416
så han anordnar en tävling.

0:02:31.440,0:02:34.576
Han tar ett antal tv-seriekoncept

0:02:34.600,0:02:36.896
och genom att utvärdera dem

0:02:36.920,0:02:40.800
tar de ut åtta kandidater till tv-serier,

0:02:40.800,0:02:44.256
och sen gör han det första avsnittet[br]av var och en av dessa tv-serier

0:02:44.280,0:02:47.416
och lägger ut dem gratis online[br]så att alla kan se dem.

0:02:47.440,0:02:49.696
Och när Amazon delar ut saker gratis

0:02:49.720,0:02:51.256
vill man ha dem, eller hur?

0:02:51.280,0:02:56.416
Så miljoner människor tittar på avsnitten.

0:02:56.440,0:02:59.656
Vad de inte inser är[br]att när de tittar på sina serier

0:02:59.680,0:03:01.976
är det de som blir betraktade.

0:03:02.000,0:03:04.336
De betraktas av Roy Price och hans team,

0:03:04.360,0:03:05.736
som spelar in allt.

0:03:05.760,0:03:09.136
De spelar in när någon trycker play,[br]när någon pausar,

0:03:09.160,0:03:11.696
vilka delar de hoppar över,[br]vilka delar de ser igen.

0:03:11.720,0:03:13.976
De samlar in miljontals datapunkter,

0:03:14.000,0:03:16.096
för de vill ha dem

0:03:16.120,0:03:18.816
när de bestämmer[br]vilken tv-serie de ska göra.

0:03:18.840,0:03:21.016
Så de samlar in datan,

0:03:21.040,0:03:23.616
de bearbetar informationen,[br]och ett svar träder fram,

0:03:23.640,0:03:24.856
och svaret är,

0:03:24.880,0:03:30.416
"Amazon borde göra en komedi[br]om fyra republikanska senatorer i USA."

0:03:30.440,0:03:31.656
De gjorde den serien.

0:03:31.680,0:03:33.840
Vet någon vad serien heter?

0:03:34.720,0:03:36.016
(Publiken: "Alpha House")

0:03:36.040,0:03:37.496
Ja, "Alpha House",

0:03:37.520,0:03:41.616
men det verkar faktiskt inte vara[br]så många av er som minns den serien,

0:03:41.640,0:03:43.496
för den blev inte så bra.

0:03:43.520,0:03:45.376
Det blev bara en medioker serie,

0:03:45.400,0:03:49.976
rent bokstavligen,[br]för mitten på kurvan är 7,4,

0:03:50.000,0:03:52.416
och "Alpha House" landade på 7,5,

0:03:52.440,0:03:54.456
en serie strax över genomsnittet,

0:03:54.480,0:03:57.700
men det var verkligen inte[br]vad Roy Price och hans team siktade på.

0:03:58.320,0:04:01.176
Men ungefär samtidigt

0:04:01.200,0:04:02.776
på ett annat företag[br]

0:04:02.800,0:04:07.016
lyckades en annan hög chef ro i land[br]en toppserie med hjälp av dataanalys,

0:04:07.040,0:04:08.616
och han heter Ted,

0:04:08.640,0:04:12.056
Ted Sarandos, som är[br]innehållschef på Netflix,

0:04:12.080,0:04:14.216
och precis som Roy letar han ständigt

0:04:14.240,0:04:15.736
efter den stora tv-serien,

0:04:15.760,0:04:17.730
och han använder data för att göra det,

0:04:17.730,0:04:19.815
men han gör det[br]på ett lite annorlunda sätt.

0:04:19.839,0:04:23.576
Så istället för att hålla en tävling,

0:04:23.600,0:04:27.136
tittade han och hans team på den data[br]som de redan hade om Netflixtittare,

0:04:27.160,0:04:29.090
som de betyg de gett till deras serier,

0:04:29.090,0:04:31.976
tittarhistoriken, vilka serier[br]de gillade, och så vidare.

0:04:32.000,0:04:33.896
De använde datan för att upptäcka

0:04:33.920,0:04:36.420
alla små detaljer om sin publik:

0:04:36.420,0:04:37.900
vilka slags serier de gillade,

0:04:37.900,0:04:40.266
vilka slags producenter,[br]vilka slags skådespelare.

0:04:40.266,0:04:42.736
Och när de väl hade satt ihop alla delar

0:04:42.760,0:04:44.416
gjorde de en chansning

0:04:44.440,0:04:46.536
och bestämde sig för att skapa

0:04:46.560,0:04:49.016
inte en komedi om fyra senatorer,

0:04:49.040,0:04:51.920
utan en dramaserie om en enda senator.

0:04:52.760,0:04:54.416
Vet ni vilken serie?

0:04:54.440,0:04:55.736
(Skratt)

0:04:55.760,0:04:59.496
Ja, "House of Cards", och Netflix[br]slog förstås huvudet på spiken med den,

0:04:59.520,0:05:01.656
iallafall de första två säsongerna.

0:05:01.680,0:05:05.656
(Skratt) (Applåder)

0:05:05.680,0:05:08.856
"House of Cards" får 9,1[br]i snittbetyg på kurvan,

0:05:08.880,0:05:12.056
så det är precis där de ville vara.

0:05:12.080,0:05:14.440
Nu är frågan, vad hände här?

0:05:14.440,0:05:17.176
Vi har två väldigt tävlingsinriktade,[br]datakunniga företag.

0:05:17.200,0:05:20.056
De kombinerar miljontals datapunkter,

0:05:20.080,0:05:22.456
och sen går det utmärkt för en av dem,

0:05:22.480,0:05:24.336
och det fungerar inte för den andra.

0:05:24.360,0:05:25.576
Varför?

0:05:25.600,0:05:29.056
För logiken säger[br]att det borde fungera varje gång.

0:05:29.080,0:05:31.536
Om man samlar ihop miljontals datapunkter

0:05:31.560,0:05:33.296
om ett beslut man ska fatta

0:05:33.320,0:05:35.936
så borde det bli ett ganska bra beslut.

0:05:35.960,0:05:38.176
Det finns 200 år av statistik[br]att luta sig mot.

0:05:38.200,0:05:41.216
Den förstärks med kraftfulla datorer.

0:05:41.240,0:05:44.520
Det minsta man kan begära[br]är bra tv, eller hur?

0:05:45.880,0:05:48.780
Om dataanalys inte fungerar på det sättet

0:05:49.520,0:05:51.576
så blir det lite skrämmande,

0:05:51.600,0:05:55.416
för vi lever i en tid[br]där vi allt oftare lutar oss mot data

0:05:55.440,0:05:59.920
för att fatta allvarliga beslut[br]som går långt bortom tv.

0:06:00.760,0:06:04.000
Känner någon här till[br]företaget Multi-Health Systems?

0:06:05.080,0:06:06.736
Ingen. OK, det är faktiskt bra.

0:06:06.760,0:06:09.976
Multi-Health Systems[br]är ett mjukvaruföretag,

0:06:10.000,0:06:12.816
och jag hoppas att ingen i det här rummet

0:06:12.840,0:06:16.016
någonsin kommer i kontakt[br]med deras mjukvara,

0:06:16.040,0:06:18.136
för det betyder att du sitter i fängelse.

0:06:18.160,0:06:19.320
(Skratt)

0:06:19.320,0:06:22.896
Om någon här i USA sitter i fängelse[br]och de ansöker om villkorlig frigivning

0:06:22.920,0:06:25.960
är det väldigt sannolikt[br]att dataanalysprogram

0:06:25.960,0:06:30.856
från det företaget kommer att användas[br]för att pröva frigivningen.

0:06:30.880,0:06:33.456
Så det är samma princip[br]som för Amazon och Netflix,

0:06:33.480,0:06:38.096
men istället för att bestämma[br]om en tv-serie ska bli bra eller dålig

0:06:38.120,0:06:41.016
bestämmer man om en person[br]ska bli bra eller dålig.[br]

0:06:41.040,0:06:46.536
Och 22 minuter av medioker tv[br]kan vara ganska dåligt,

0:06:46.560,0:06:49.200
men jag antar att fler år[br]i fängelse är ännu värre.

0:06:50.360,0:06:54.496
Oturligt nog finns det faktiskt[br]en del bevis för att den här dataanalysen,

0:06:54.520,0:06:58.400
även om den har massor av data,[br]inte alltid producerar optimala resultat.

0:06:58.400,0:07:01.296
Det beror inte på att ett företag[br]som Multi-Health Systems

0:07:01.296,0:07:03.293
inte vet vad de ska göra[br]med informationen.

0:07:03.293,0:07:05.456
Även datakunniga företag gör fel.

0:07:05.480,0:07:08.050
Ja, till och med Google har fel ibland.

0:07:08.680,0:07:13.176
2009 sa Google att de[br]med hjälp av dataanalys

0:07:13.200,0:07:17.336
kunde förutsäga utbrott av influensa,[br]den elaka sortens förkylning,

0:07:17.360,0:07:21.136
genom att genomföra dataanalys[br]av sina Google-sökningar.

0:07:21.160,0:07:24.710
Och det fungerade fint,[br]vilket gav stor uppmärksamhet i medierna,

0:07:24.710,0:07:27.356
inklusive det yttersta beviset[br]på vetenskaplig framgång:

0:07:27.356,0:07:29.656
en artikel i tidskriften "Nature".

0:07:29.680,0:07:33.190
Det fungerade fint i flera år,

0:07:33.190,0:07:35.096
tills det ett år inte fungerade längre.

0:07:35.096,0:07:37.256
Och ingen kunde ens säga riktigt varför.

0:07:37.280,0:07:38.910
Det fungerade bara inte det året,

0:07:38.910,0:07:41.046
och det fick förstås[br]också mycket publicitet,

0:07:41.046,0:07:42.576
inklusive ett tillbakadragande

0:07:42.600,0:07:45.440
av artikeln i "Nature".

0:07:46.480,0:07:48.960
Så till och med de med[br]de datakunniga företagen

0:07:48.960,0:07:51.976
som Amazon och Google har ibland fel.

0:07:52.000,0:07:54.936
Och trots alla dessa misslyckanden

0:07:54.960,0:07:58.816
får data snabbt ett större inflytande[br]över beslut i verkliga livet -

0:07:58.840,0:08:00.656
på arbetsplatsen,

0:08:00.680,0:08:02.496
inom rättsväsendet,

0:08:02.520,0:08:03.720
inom medicin.

0:08:04.400,0:08:07.736
Så vi borde verkligen ta reda på[br]ifall data verkligen hjälper oss.

0:08:07.760,0:08:10.730
Jag har personligen sett[br]en stor del av de här problemen,

0:08:10.730,0:08:12.896
för jag arbetar inom databeräknad genetik,

0:08:12.920,0:08:15.416
vilken också är ett fält[br]där många smarta människor

0:08:15.440,0:08:19.096
använder oerhörda mängder data[br]för att fatta ganska allvarliga beslut,

0:08:19.120,0:08:22.820
som att välja cancerbehandling[br]eller utveckla en ny medicin.

0:08:23.520,0:08:25.896
Över åren har jag noterat[br]ett slags mönster,

0:08:25.920,0:08:28.290
eller en slags regel,[br]kan man säga, om skillnaden

0:08:28.290,0:08:31.096
mellan framgångsrikt[br]och icke framgångsrikt

0:08:31.120,0:08:32.736
beslutsfattande med data

0:08:32.760,0:08:36.640
och jag har hittat ett mönster[br]som är värt att dela med sig av.

0:08:38.520,0:08:40.655
När man löser ett komplext problem

0:08:40.679,0:08:42.290
gör man i grunden två saker.

0:08:42.290,0:08:43.360
Den första är

0:08:43.360,0:08:48.256
att plocka isär problemet i små bitar[br]så att man kan analysera bitarna

0:08:48.280,0:08:50.180
och sen gör man det andra steget.

0:08:50.180,0:08:52.900
Men sätter ihop bitarna igen

0:08:52.900,0:08:54.336
för att komma till slutsatsen.

0:08:54.360,0:08:56.560
Ibland måste man göra om det,

0:08:56.560,0:08:58.376
men det handlar alltid de två sakerna:

0:08:58.400,0:09:01.240
plocka isär och sätta ihop saker igen.

0:09:02.280,0:09:03.896
Det viktiga är

0:09:03.920,0:09:06.816
att data och dataanalys

0:09:06.840,0:09:09.170
bara är bra för det första steget.

0:09:09.170,0:09:12.296
Hur kraftfulla data och dataanalys än är,[br]kan bara hjälpa till med

0:09:12.296,0:09:16.056
att plocka isär ett problem[br]och förstå dess delar.

0:09:16.080,0:09:19.576
Den passar inte för[br]att sätta ihop delarna igen

0:09:19.600,0:09:21.340
för att komma till en slutsats.

0:09:21.340,0:09:23.460
Det finns ett annat verktyg[br]som kan göra det,

0:09:23.460,0:09:25.716
vi har det allihop, och det är hjärnan.

0:09:25.716,0:09:27.470
Om det finns något hjärnan är bra på

0:09:27.470,0:09:29.610
så är att det att sätta ihop[br]små delar igen,

0:09:29.610,0:09:31.896
även när den inte har all information,

0:09:31.896,0:09:33.456
och kan nå en bra slutsats,

0:09:33.480,0:09:36.290
speciellt om det är en experts hjärna.

0:09:36.290,0:09:39.156
Jag tror att det är därför[br]Netflix blev så framgångsrika,

0:09:39.156,0:09:42.696
för att de använde data och hjärnor[br]där de passade i processen.

0:09:42.720,0:09:46.256
De använder data för att först förstå[br]många små detaljer om sin publik

0:09:46.280,0:09:49.696
som de annars inte skulle[br]ha kunnat förstå på samma djup,

0:09:49.720,0:09:52.336
men beslutet om hur de olika detaljerna

0:09:52.360,0:09:55.560
skulle sättas ihop igen[br]för att bli en serie som "House of Cards"

0:09:55.560,0:09:57.136
fanns ingenstans i deras data.

0:09:57.160,0:10:01.136
Ted Sarandos och hans team[br]tog beslutet att godkänna tv-serien,

0:10:01.160,0:10:03.415
vilket förresten också betydde

0:10:03.415,0:10:06.486
att de tog en ganska stor personlig risk[br]när de tog det beslutet.

0:10:06.486,0:10:09.110
Och Amazon, å andra sidan,[br]de gjorde saken på fel sätt.

0:10:09.110,0:10:11.360
De använde data[br]för allt sitt beslutsfattande,

0:10:11.360,0:10:14.280
först när de höll tävlingen[br]för tv-koncept,

0:10:14.280,0:10:18.376
och sen när de valde "Alpha House"[br]till den serie de skulle göra.

0:10:18.400,0:10:20.896
Vilket självklart var[br]ett säkert val för dem,

0:10:20.920,0:10:23.180
för de kunde alltid peka på data och säga

0:10:23.180,0:10:25.156
"Vår data säger det här."

0:10:25.156,0:10:29.360
Men det ledde inte till[br]de enastående resultat som de hoppades på.

0:10:29.820,0:10:33.190
Så data är förstås[br]ett oerhört kraftfullt verktyg

0:10:33.190,0:10:35.210
för att fatta bättre beslut,

0:10:35.210,0:10:40.096
men jag tror att saker går fel[br]när data börjar styra besluten.

0:10:40.120,0:10:43.820
Hur kraftfull den än är,[br]så är data bara ett verktyg,

0:10:43.820,0:10:47.256
och för att hålla det i minnet tycker jag[br]den här saken är användbar.

0:10:47.280,0:10:48.496
Många av er kommer ...

0:10:48.520,0:10:49.570
(Skratt)

0:10:49.570,0:10:51.526
Innan det fanns data, var det här

0:10:51.526,0:10:53.856
beslutsstödet som användes.

0:10:53.880,0:10:55.136
(Skratt)

0:10:55.160,0:10:56.496
Många känner nog igen den.

0:10:56.520,0:10:58.473
Den här leksaken heter Magic 8 Ball,

0:10:58.497,0:10:59.650
och den är fantastisk,

0:10:59.650,0:11:02.390
för om du har ett beslut att fatta,[br]en ja- eller nejfråga,

0:11:02.400,0:11:06.376
behöver du bara skaka bollen[br]för att få ett svar -

0:11:06.400,0:11:09.216
"Förmodligen" - just här[br]i den här stunden i realtid.

0:11:09.240,0:11:11.336
Jag kan dema den senare.

0:11:11.360,0:11:12.576
(Skratt)

0:11:12.600,0:11:16.030
Så här är det förstås,[br]att jag har fattat några beslut i mitt liv

0:11:16.030,0:11:19.266
där jag i efterhand har förstått[br]att jag borde ha lyssnat på bollen.

0:11:19.266,0:11:22.456
Men om man har data tillgängliga

0:11:22.480,0:11:25.536
vill man såklart ersätta den här[br]med något lite mer sofistikerat,

0:11:25.560,0:11:29.176
till exempel dataanalys,[br]för att fatta ett bättre beslut.

0:11:29.200,0:11:31.816
Men det ändrar inte[br]de grundläggande förutsättningarna.

0:11:31.840,0:11:35.016
Så bollen kan bli allt smartare

0:11:35.040,0:11:37.856
men jag tror att vi fortfarande[br]måste fatta besluten

0:11:37.880,0:11:40.896
om vi vill åstadkomma[br]något utöver det vanliga,

0:11:40.920,0:11:42.856
längst till höger på kurvan.

0:11:42.880,0:11:47.376
Och jag tycker faktiskt att det är[br]ett väldigt uppmuntrande budskap,

0:11:47.400,0:11:51.376
att även när vi står inför[br]enorma mängder data

0:11:51.400,0:11:55.496
lönar det sig fortfarande[br]att fatta beslut,

0:11:55.520,0:11:58.176
att vara en expert på det man gör,

0:11:58.200,0:12:00.296
och att ta risker.

0:12:00.320,0:12:03.096
För i slutändan är det inte data

0:12:03.120,0:12:07.450
utan risker som kommer att ta en[br]längst ut till höger på kurvan.

0:12:07.690,0:12:09.056
Tack.

0:12:09.080,0:12:12.070
(Applåder)